97245

8
153 Anais do XIX Congresso Brasileiro de Automática, CBA 2012. ISBN: 978-85-8001-069-5 REPRESENTAÇÃO DE RESTRIÇÕES FUZZY EM UM PROBLEMA DE ESTIMAÇÃO DE ESTADO EM SISTEMAS ELÉTRICOS DE POTÊNCIA LOPES, THALES T. CEFET/RJ -Centro Federal de Educação Tecnológica Celso Suckow da Fonseca/Eletrobras Cepel Rua Dias da Rocha, n°26, Apartamento 105, CEP 22051-020, Copacabana, Rio de Janeiro, RJ E-mails: [email protected] FALCÃO, DJALMA M. LASPOT Laboratório de Sistemas de Potência, COPPE/UFRJ Programa de Engenharia Elétrica, Caixa Postal 68504, CEP 21941-972, Ilha do Fundão, Rio de Janeiro, RJ E-mails: [email protected] Abstract This work presents a methodology for the representation of qualitative information, with high uncertainty content, in the problem of state estimation in electric power systems. The representation of the uncertainties is carried through using the concepts of Fuzzy sets, modeled as Fuzzy pseudo-measurements. The Fuzzy pseudo-measurements are represented in the problem of state estima- tion as inequality constraints, using state estimators models based on Fuzzy programming. The main application of the methodology is the calculation of the state vector in distribution feeders and modeling of external network in electricity transmission systems, char- acterized by a weak database in real time, and a great deal of qualitative information. Other advantages of state estimators’ models, as robustness to a great variety of gross errors in analogical measures, or the gross errors in the modeling of the Fuzzy pseudo- measures, also are verified. Keywords State Estimation, Fuzzy Programming, Pseudo-measurements, Gross Error, Power State Vector Resumo Este trabalho propõe uma metodologia para a representação de informações qualitativas, de natureza imprecisa, no pro- blema de estimação de estado em sistemas de energia elétrica. A representação da informação qualitativa é realizada empregando os conceitos de conjuntos Fuzzy, sendo modelada como pseudomedidas Fuzzy e tratadas no problema de estimação de estado como res- trições de desigualdade ao problema. Foram desenvolvidos modelos de estimadores de estado aplicando programação linear e quadrá- tica Fuzzy. A principal aplicação da metodologia é o cálculo do vetor de estado em redes de distribuição e a representação de redes externas em sistemas de transmissão de energia elétrica, que são caracterizados por apresentarem ainda uma fraca base de dados dis- ponibilizada em tempo real, e um elevado grau de informações qualitativas. Outras vantagens dos modelos de estimadores desenvol- vidos neste trabalho, como robustez a uma grande variedade de erros grosseiros em medidas analógicas ou a erros grosseiros na mo- delagem das pseudomedidas Fuzzy, também são verificados. Palavras-chave Estimadores de Estado, Programação Fuzzy, Pseudomedidas, Erros Grosseiros, Vetor de Estados 1 Introdução Com a intensificação da entrada de geração dis- tribuída nas redes de distribuição de eletricidade e o fortalecimento das interconexões entre sistemas de transmissão, maiores se tornam as exigências opera- cionais sobre estas redes. Como consequência, as ferramentas computacionais para a avaliação da se- gurança necessitam de modelos matemáticos cada vez mais precisos e, em muitas situações, comple- xos. Um desafio frequentemente encontrado no de- senvolvimento de modelos é a fraca base de dados disponibilizada em tempo real pelo sistema SCADA (Supervisory Control and Data Acquisition), muitas vezes, incompleta ou insuficiente, impedindo que modelos matemáticos mais precisos, ou pelo menos coerentes com a realidade de operação, possam ser construídos para as ferramentas computacionais de auxílio à operação do sistema elétrico, como pro- gramas de fluxo de potência, configuradores de re- des e estimadores de estado. Por outro lado, existe nos sistemas elétricos uma enorme disponibilidade de informações qualitativas, caracterizadas pela ex- periência acumulada pelo pessoal técnico ou por resultados de estudos e pesquisas. Estas informações se bem aproveitadas e trabalhadas possibilitariam a construção de modelos matemáticos mais verídicos para representação do estado de operação da rede elétrica. Verifica-se para as redes de distribuição de eletricidade e para os sistemas de transmissão inter- conectados e não telemetrados (redes de transmissão externas), um quase total desconhecimento das con- dições de operação em tempo real, aliada a uma ele- vada disponibilidade de informações qualitativas, com elevado grau de imprecisão sobre as suas condi- ções. As redes de distribuição de eletricidade carac- terizam-se, historicamente, por um baixo nível de monitoramento em tempo real, com insuficiência de pontos de medição ao longo dos seus alimentadores. As redes elétricas externas, em sistemas de trans- missão de eletricidade, apresentam-se bem monito- radas em relação ao seu Centro de Operação do Sis- tema (COS), contudo não disponibilizam os valores monitorados em tempo real para os COS´s vizinhos. A integração de informações qualitativas, de ca- ráter subjetivo, não é uma singularidade nas ferra-

Upload: jose-moraes-gurgel-neto

Post on 09-Jul-2016

213 views

Category:

Documents


1 download

TRANSCRIPT

Page 1: 97245

153

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

REPRESENTAÇÃO DE RESTRIÇÕES FUZZY EM UM PROBLEMA DE ESTIMAÇÃO DE ESTADO

EM SISTEMAS ELÉTRICOS DE POTÊNCIA

LOPES, THALES T.

CEFET/RJ -Centro Federal de Educação Tecnológica Celso Suckow da Fonseca/Eletrobras Cepel

Rua Dias da Rocha, n°26, Apartamento 105, CEP 22051-020, Copacabana, Rio de Janeiro, RJ

E-mails: [email protected]

FALCÃO, DJALMA M.

LASPOT – Laboratório de Sistemas de Potência, COPPE/UFRJ

Programa de Engenharia Elétrica, Caixa Postal 68504, CEP 21941-972, Ilha do Fundão, Rio de Janeiro, RJ

E-mails: [email protected]

Abstract This work presents a methodology for the representation of qualitative information, with high uncertainty content, in the

problem of state estimation in electric power systems. The representation of the uncertainties is carried through using the concepts of

Fuzzy sets, modeled as Fuzzy pseudo-measurements. The Fuzzy pseudo-measurements are represented in the problem of state estima-

tion as inequality constraints, using state estimators models based on Fuzzy programming. The main application of the methodology

is the calculation of the state vector in distribution feeders and modeling of external network in electricity transmission systems, char-

acterized by a weak database in real time, and a great deal of qualitative information. Other advantages of state estimators’ models,

as robustness to a great variety of gross errors in analogical measures, or the gross errors in the modeling of the Fuzzy pseudo-

measures, also are verified.

Keywords State Estimation, Fuzzy Programming, Pseudo-measurements, Gross Error, Power State Vector

Resumo Este trabalho propõe uma metodologia para a representação de informações qualitativas, de natureza imprecisa, no pro-

blema de estimação de estado em sistemas de energia elétrica. A representação da informação qualitativa é realizada empregando os

conceitos de conjuntos Fuzzy, sendo modelada como pseudomedidas Fuzzy e tratadas no problema de estimação de estado como res-

trições de desigualdade ao problema. Foram desenvolvidos modelos de estimadores de estado aplicando programação linear e quadrá-

tica Fuzzy. A principal aplicação da metodologia é o cálculo do vetor de estado em redes de distribuição e a representação de redes

externas em sistemas de transmissão de energia elétrica, que são caracterizados por apresentarem ainda uma fraca base de dados dis-

ponibilizada em tempo real, e um elevado grau de informações qualitativas. Outras vantagens dos modelos de estimadores desenvol-

vidos neste trabalho, como robustez a uma grande variedade de erros grosseiros em medidas analógicas ou a erros grosseiros na mo-

delagem das pseudomedidas Fuzzy, também são verificados.

Palavras-chave Estimadores de Estado, Programação Fuzzy, Pseudomedidas, Erros Grosseiros, Vetor de Estados

1 Introdução

Com a intensificação da entrada de geração dis-

tribuída nas redes de distribuição de eletricidade e o

fortalecimento das interconexões entre sistemas de

transmissão, maiores se tornam as exigências opera-

cionais sobre estas redes. Como consequência, as

ferramentas computacionais para a avaliação da se-

gurança necessitam de modelos matemáticos cada

vez mais precisos e, em muitas situações, comple-

xos. Um desafio frequentemente encontrado no de-

senvolvimento de modelos é a fraca base de dados

disponibilizada em tempo real pelo sistema SCADA

(Supervisory Control and Data Acquisition), muitas

vezes, incompleta ou insuficiente, impedindo que

modelos matemáticos mais precisos, ou pelo menos

coerentes com a realidade de operação, possam ser

construídos para as ferramentas computacionais de

auxílio à operação do sistema elétrico, como pro-

gramas de fluxo de potência, configuradores de re-

des e estimadores de estado. Por outro lado, existe

nos sistemas elétricos uma enorme disponibilidade

de informações qualitativas, caracterizadas pela ex-

periência acumulada pelo pessoal técnico ou por

resultados de estudos e pesquisas. Estas informações

se bem aproveitadas e trabalhadas possibilitariam a

construção de modelos matemáticos mais verídicos

para representação do estado de operação da rede

elétrica. Verifica-se para as redes de distribuição de

eletricidade e para os sistemas de transmissão inter-

conectados e não telemetrados (redes de transmissão

externas), um quase total desconhecimento das con-

dições de operação em tempo real, aliada a uma ele-

vada disponibilidade de informações qualitativas,

com elevado grau de imprecisão sobre as suas condi-

ções. As redes de distribuição de eletricidade carac-

terizam-se, historicamente, por um baixo nível de

monitoramento em tempo real, com insuficiência de

pontos de medição ao longo dos seus alimentadores.

As redes elétricas externas, em sistemas de trans-

missão de eletricidade, apresentam-se bem monito-

radas em relação ao seu Centro de Operação do Sis-

tema (COS), contudo não disponibilizam os valores

monitorados em tempo real para os COS´s vizinhos.

A integração de informações qualitativas, de ca-

ráter subjetivo, não é uma singularidade nas ferra-

Page 2: 97245

154

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

mentas de avaliação da segurança operativa do sis-

tema, principalmente em estimadores de estado, uma

vez que pseudomedidas são tradicionalmente cons-

truídas a partir destas informações e utilizadas na

solução de problemas de observabilidade da rede

elétrica. No contexto da construção de modelos hí-

bridos de estimadores de estado, a aplicação dos

conjuntos de natureza Fuzzy mostra-se bastante ade-

rente. Exemplos podem ser encontrados nos traba-

lhos de Miranda (Miranda, 1995), (Miranda, 2000)

e Pereira (Pereira, 1995), (Pereira, 1999), (Pereira,

2000), (Pereira, 2001). Nestes trabalhos são propos-

tos e aprimorados modelos de estimadores de estado

para redes de distribuição de eletricidade, represen-

tando as informações imprecisas das condições de

carregamento ao longo do alimentador, por conjun-

tos Fuzzy. Saric (Saric, 2003) propõe também um

estimador de estado e fluxo de potência, integrando

os conjuntos Fuzzy, na qual dados históricos de con-

sumidores são modelados por funções Fuzzy.

Neste trabalho são propostos modelos de estima-

dores de estado aplicando as técnicas de programa-

ção linear e não linear, em ambiente Fuzzy, com o

objetivo principal do cálculo do vetor de estados do

sistema elétrico. As pseudomedidas são construídas

a partir das informações qualitativas imprecisas da

rede elétrica, sendo modeladas por conjuntos Fuzzy

e representadas por restrições de desigualdade no

problema de estimação de estado. A aplicação da

técnica de programação linear em ambiente Fuzzy,

para a solução do problema de estimação de estado,

pode ser considerada como uma abordagem Fuzzy

para o algoritmo baseado na Soma dos Mínimos

Valores Absolutos Ponderados dos Resíduos

(VAPR), dado em Abur (Abur, 2004). Por sua vez, a

modelagem aplicando a técnica de programação

quadrática Fuzzy procurou desenvolver uma metodo-

logia que permitisse representar as grandezas Fuzzy

em adequação à técnica mais utilizada na grande

maioria dos programas hoje em utilização para a

estimação de estado em sistemas elétricos, no caso o

método dos Mínimos Quadrados Ponderados (MQP).

O conjunto de simulações realizadas avaliou a eficá-

cia e a robustez dos estimadores de estado com res-

trições Fuzzy no cálculo do vetor de estados do sis-

tema, considerando a presença de uma grande varie-

dade de erros grosseiros em medidas analógicas, ou

na definição das próprias pseudomedidas Fuzzy.

Testes foram realizados no sistema de 30 barras do

IEEE, para a modelagem de um sistema externo de

transmissão, e em uma rede real de distribuição de

33 barramentos. Os resultados são comparados com

aqueles fornecidos pelo fluxo de potência e pelos

estimadores de estado MPQ e VAPR, e mostram que

os modelos propostos são uma boa alternativa para a

inclusão de informações qualitativas imprecisas no

problema de estimação de estado em sistemas elétri-

cos, dispensando a aplicação de ferramentas de pós-

processamento, dada a robustez apresentada.

2 Estimação de Estado em Sistemas Elétricos

Em Schweppe (Schweppe, 1970) é formulado o

modelo de estimação estática de estado, que relacio-

na as magnitudes e fases das tensões complexas nos

barramentos, com as medidas analógicas obtidas em

tempo real e pseudomedidas, dado por:

z = h(x) + e (1)

Onde h(x) é o vetor das equações das medidas e

pseudomedidas (nm) em função das variáveis de

estado x, com dimensão nm x 1. As medidas e pseu-

domedidas consideradas são os fluxos de potência

ativa e reativa nas linhas, injeções de potência ativa

e reativa e magnitudes de tensão nas barras.

Os componentes do vetor e (nm x 1) são os erros

de medição e estão associados com o erro inerente,

introduzido pelos medidores, transdutores, redes de

comunicação e outros. Eles, normalmente, são as-

sumidos como uma variável independente e aleató-

ria, com distribuição Normal de média zero e matriz

de covariância dos erros de medição R (nm x nm),

definida por uma matriz diagonal, onde i

2 é a vari-

ância de uma medida analógica; i = 1, ..., nm.

2

2

1

100

00

001

nm

R

(2)

2.1 Mínimos Quadrados Ponderados (MQP)

O método dos Mínimos Quadrados Ponderados

(MQP) é o mais amplamente utilizado na solução do

problema de estimação de estados em sistemas elé-

tricos. Conforme Monticelli (Monticelli, 2000), o

método baseia-se na minimização da soma pondera-

da dos quadrados dos erros de medição, consideran-

do restrições operativas de igualdade e desigualdade:

( ) ( )[ ]

( )

( ) ;0≤

;0=

∑ -2

1∑ =

2

1=min

1=

22

1=

22

xc

xgasujeito

σxhzσrxJimizarnm

iiii

nm

iii

(3)

Onde: ( )xhzr iii -= é o resíduo de estimação

para uma medida i qualquer;

g(.) e c(.) são restrições operativas de igualdade

e desigualdade.

Aplicando a primeira condição de otimalidade

de Karush-Kuhn-Tucker (KKT) à função objetivo

J(x) do problema (3), obtém-se o sistema matricial

de equações não lineares a ser resolvido:

( ) ( )0=∑ '=

∂=

1=

1-

2

nm

iz

i

i

irRH

x

xh

σ

r

x

xJ

(4)

Onde ( )( )′∂∂ xxhi é a ith linha da matriz H.

A solução de (4) é usualmente obtida pelo mé-

todo de Gauss-Newton, que é implementado pelo

algoritmo abaixo. G é a Matriz Ganho do sistema.

Page 3: 97245

155

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

xhz

xhz

RHGx

nmnm

z

T

11

11

(5)

[ ] [ ] [ ] [ ]HRHG zT 1-= (6)

2.2 Soma dos Valores Absolutos Ponderados dos

Resíduos (VAPR)

Uma aproximação alternativa para a solução do

problema de estimação de estado é a modelagem

baseada na Soma dos Valores Absolutos Ponderados

dos Resíduos, proposta por Abur (Abur, 2004). Nes-

te método, a função objetivo é definida por:

( ) nmirxhzasujeito

rimizar

iii

nm

ii

≤≤1,+=

∑min1=

(7)

Como a função objetivo é do tipo modular, line-

ar por partes, o problema de estimação pode ser for-

mulado como um problema de programação linear.

[ ]

( )

0≥,

=-+Δ.

∑ +min1=

VU

rVUxxHasujeito

vucimizarnm

iii

Ti

(8)

Onde: U, V são vetores auxiliares cujos compo-

nentes são as variáveis de folga não negativas asso-

ciadas aos resíduos de medição, ui e vi.

cT = [1

1R

,2

1R

, ..., nmR

1 ] é o vetor de ponde-

rações do inverso das covariâncias dos erros de me-

dição definidos em R ( nm x 1).

A solução do problema de programação linear

pode ser obtida pelo método Simplex ou pelo método

dos Pontos Interiores Primal Dual, descritos em Gill

(Gill, 1981).

3 Restrições Fuzzy

3.1 Otimização Fuzzy

A forma geral do problema de otimização

Fuzzy, considerando a presença de múltiplos objeti-

vos (fi) e restrições flexíveis, é definida por:

1 2 n

~

max ção Fuzzy f , f ,..., f

: 0, 1,2,...,

i

imiza x x x

x X

sujeito a g x i m

(9)

Na equação (9), o símbolo (~ ) é a versão Fuzzy

de e denota uma flexibilidade das restrições.

Em Zimmerman (Zimmerman, 1984) é formu-

lada a solução ótima do problema de programação

Fuzzy: “O conjunto decisão, no qual está contida a

solução, é a interseção dos conjuntos Fuzzy associa-

dos à função objetivo e às restrições. A solução do

problema é o ponto com máxima pertinência ao con-

junto decisão”.

0 0

max max min i

ix xD

x x (10)

Introduzindo a nova variável , correspondente

à minimização do conjunto de funções de pertinên-

cia do conjunto de decisão Fuzzy, descrito em (10), o

modelo equivalente para o problema de programação

Fuzzy pode ser assim definido:

1≤;0≥,

1+,...,1=,+≤+

max

λxλ

nmipdxBpλasujeito

λimize

iiii

(11)

Para o tipo mais simples de função de pertinên-

cia, ilustrada na Figura 1, e assumindo um decre-

mento linear para valores abaixo do intervalo de

tolerância di, tem-se a relação definida em (12) para

i x . O parâmetro p é escolhido subjetivamente de

forma a indicar um intervalo permissível de violação

das restrições de natureza Fuzzy. i(x)

1.0

di di + pi Bx Bix

Figura 1. Função de pertinência para uma grandeza Fuzzy.

1,,1

0

1

1

nmi

pdxBse

pdxBdsep

dxB

dxBse

x

iii

iiii

i

ii

ii

i

(12)

3.2 Aproximação Fuzzy para o Método da Soma dos

Valores Absolutos Ponderados dos Resíduos (PLF)

Para uma função objetivo linear, como no pro-

blema VAPR, o modelo de programação linear

Fuzzy é assim formulado:

( )

1≤;0≥,

1+,...,1=,+≤+

≤+-

max

101

λxλ

nmipdxBpλ

fxcffλasujeito

λimize

iiii

T (13)

O termo ( )101 ≤+- fxcffλ T é a restrição da fun-

ção de pertinência associada à função objetivo do

problema de programação linear, obtida pela solução

dos dois seguintes problemas de programação linear:

( )

0≥

1+,...,1=,≤

=max 0

x

nmidxBasujeito

xcxfimize

ii

T

(14)

( )

0≥

1+,...,1=,+≤

=max 1

x

nmipdxBasujeito

xcxfimize

iii

T

(15)

A função de pertinência é denotada por:

00

1001

0

11

fxTcse

fxTcfseff

fxTc

xTcfse

xG

(16)

Page 4: 97245

156

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

Como o algoritmo de estimação VAPR resolve

um problema de programação linear, a introdução de

restrições Fuzzy consiste apenas na adição destas

restrições a formulação básica do problema VAPR

(17) e na solução do problema linear dado em (18).

[ ]

( )

( )

0≥,

Δ≤Δ.

=-+Δ.

∑ +min

~

1=

VU

zxxF

rVUxxHasujeito

vucimizar

Fuzzy

nm

iii

Ti

(17)

( )

( ) [ ]

( )

0≥,

1≤≤0

Δ≤Δ.±

≤∑ ++-

=-+Δ.

max

11=

01

VU

λ

zxxFpλ

fvucffλ

rVUxxHasujeito

λimizar

Fuzzy

nm

iii

Ti

(18)

Onde: F(x) é matriz Jacobiana das derivadas das

equações das pseudomedidas Fuzzy em relação às

variáveis de estado do problema. Assim como H(x),

F(x) possui uma coluna relativa às derivadas das

pseudomedidas Fuzzy em relação à variável de esta-

do inserida no problema λ, λ

zFuzzy

∂∂ . O valor do sinal

matemático de F(x), em (18), é determinado pelo

formato da função de pertinência.

nz

nznznz

nz

nz

f

x

f

x

f

f

x

f

x

f

f

x

f

x

f

x

xfF

21

22

2

1

2

12

1

1

1

(19)

nz refere-se ao número de pseudomedidas Fuzzy

e Fuzzyz o seu resíduo de estimação.

( ) ( )xfpzz FuzzyFuzzy -+±=Δ (20)

Observa-se na equação (18) que a função objeti-

vo do problema de estimação de estado VAPR

( [ ]∑ +1=

nm

iii

Ti vuc ) é representada como uma restrição de

desigualdade no novo problema. Os valores de f0 e f1

são determinados conforme as equações (21) e (22).

[ ]

( )

( )

0≥,

Δ≤Δ.

= -+Δ.

∑ +=min

0

1=0

VU

zxxD

rVUxxHasujeito

vucfimizarnm

iii

Ti

(21)

[ ]

( )

( )

0≥,

Δ≤Δ.

=-+Δ.

∑ +=min

1

1=1

VU

zxxD

rVUxxHasujeito

vucfimizarnm

iii

Ti

(22)

)(-=Δ 0 xhdz (23)

)(-+=Δ 1 xhpdz (24)

D(x) é o conjunto de equações linearizadas das

grandezas sujeitas a restrições de desigualdade, no

caso as pseudomedidas Fuzzy e medidas com limites

em seus valores. Os termos d e p nas equações (23) e

(24) são aqueles definidos na Figura 1.

3.3 Aproximação Fuzzy para o Método dos Mínimos

Quadrados Ponderados (PQF)

O método iterativo das Equações Normais é a

aproximação padrão para a solução do Estimador de

Estado MQP. Contudo, esse problema pode ser re-

solvido pela solução de uma sequência de problemas

de programação quadrática, que facilita a represen-

tação de incertezas Fuzzy em sua formulação.

Cada iteração do algoritmo MPQ dado em (5),

pode ser entendido como a solução de um problema

linear pelo método dos mínimos quadrados pondera-

dos, definido pelo seguinte modelo de medição:

( )LexxHz +Δ=Δ (25)

Onde Le leva em consideração as medições e os

erros linearizados, e x e z são definidos como

previamente. A função objetivo é então dada por:

( ) ( ) rRrxJT

L ΔΔ2

1= 1- (26)

( ) xxHzsr Δ-Δ==Δ (27)

A minimização de JL(x) pode ser obtida direta-

mente pelas condições de otimização de KKT, ou,

alternativamente, por um algoritmo de Programação

Quadrática – PQ, como dado em Gill (Gill, 1998).

Esta última aproximação é usada para introduzir as

restrições Fuzzy no algoritmo de MPQ.

A minimização de JL(x) é encontrada pela solu-

ção do problema de programação quadrática abaixo:

( ) zsxxHasujeito

sRszimizar T

Δ=+Δ

2

1=min 1-

(28)

A incorporação das restrições Fuzzy ao proble-

ma de MQP de (28) é dada por:

( )

( )Fuzzy

T

zxxF

zsxxHasujeito

sRszimizar

Δ≤Δ

Δ=+Δ

2

1=min

~

1-

(29)

Semelhante à formulação linear com restrições

Fuzzy, a solução de (29) é feita em dois estágios.

Primeiro, determina-se f0 e f1 para a construção da

restrição associada à função objetivo do problema de

programação quadrática, sendo assim formulados:

( )

( )

0≥

Δ≤Δ

Δ=+Δ

2

1=min=

0

1-0

s

zxxD

zsxxHasujeito

sRszimizarf T

(30)

Page 5: 97245

157

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

( )

( )

0≥

Δ≤Δ

Δ=+Δ

2

1=min=

1

1-1

s

zxxD

zsxxHasujeito

sRszimizarf T

(31)

Os valores de Δz0 e Δz1 são calculados confor-

me as equações (23) e (24).

No segundo passo, é resolvido um problema de

otimização no qual a função objetivo e todas as res-

trições são lineares, com exceção de uma restrição

que é quadrática. Este problema pode ser resolvido

por algum método de otimização com restrições não

lineares, sendo formulado como:

( )

( )

( )

0≥;1≤≤0

Δ≤Δ±

≤2

1+-

Δ=+Δ

max

11-

01

zxxFpλ

fsRsffλ

zsxxHasujeito

λimizar

Fuzzy

T

(32)

4 Resultados Numéricos

O conjunto de simulações realizadas procurou

avaliar a eficácia e a robustez dos estimadores de

estados com restrições Fuzzy no cálculo do vetor de

estado, considerando a presença de erros grosseiros

em medidas analógicas e/ou pseudomedidas Fuzzy.

Testes foram realizados nos sistemas de 30 barras do

IEEE e em uma rede real de distribuição de 33 bar-

ramentos. Os resultados alcançados com os estima-

dores com restrições Fuzzy são comparados com

aqueles fornecidos pelos estimadores de estado pelo

MQP, VAPR e pelo fluxo de potência.

Os seguintes conjuntos de medidas e pseudome-

didas foram processadas: injeções e fluxos de potên-

cia ativa e reativa nos barramentos e linhas de

transmissão, e magnitudes das tensões nas barras.

Os valores das medidas foram obtidos a partir da

solução exata de um problema de fluxo de potência

para o caso base, com inserção de um ruído aleató-

rio, normalmente distribuído. De acordo com Falcão

(Falcão, 1988) assume-se que o ruído de medição

tem média zero e desvio padrão definido por:

( )zFσP 06.0+005.03

1= (33)

0.002 T z (34)

P desvio padrão associado às medidas de fluxo

e injeção de potência ativa e reativa (p.u);

T desvio padrão para medidas de tensão (p.u);

F o valor de fundo de escala do medidor (F=0).

O ruído aleatório inserido tem valor máximo i-

gual à ±3σ, em 99.97% dos casos.

O critério de convergência utilizado foi o resí-

duo máximo entre duas iterações sucessivas das

magnitudes e ângulos de fase das tensões nas barras,

com valor máximo igual a 10-5 p.u.

4.1 Modelagem das Pseudomedidas Fuzzy

Um conjunto de regras foi utilizado na modela-

gem das pseudomedidas Fuzzy, com o propósito de

permitir uma representação mais coerente possível

com a situação real. As regras são assim definidas:

O valor central da função de pertinência da

pseudomedida Fuzzy, independente do tipo de

função de pertinência, é determinado pela exe-

cução de um fluxo de potência para o caso base

do sistema, adicionando a este um erro grosseiro

aleatório com valor compreendido entre ±10σ e

±40σ para as pseudomedidas de injeção e fluxo

de potência, e entre ±5σ e ±10σ para as pseu-

domedidas Fuzzy de magnitude de tensão.

As funções de pertinência serão sempre simétri-

cas em relação ao valor central, C, sendo que

pseudomedidas Fuzzy de tensão são modeladas

por funções de pertinência com formato triangu-

lar, enquanto pseudomedidas de injeção e fluxo

de potência ativa e reativa por funções trapezoi-

dais. Os parâmetros A0, A1, B0 e B1 da Figura 2,

são os pontos de pertinência zero e unitária.

Figura 2. Funções de pertinência trapezoidal e triangular.

As seguintes expressões são validas para fun-

ções de pertinência trapezoidais: B0 = B1 =

1.15C; p = 0.15; A0 = A1 = 1.25C, p = 0.15, d =

0.10. Para funções de pertinência triangulares:

A0 = A1 = 1.10C; d = 0.10.

4.2 Modelagem das Pseudomedidas

As pseudomedidas não Fuzzy são encaradas

como um caso particular das pseudomedidas Fuzzy.

O valor da pseudomedida é igual ao valor central da

função de pertinência da pseudomedida Fuzzy, o que

permite uma comparação mais verossímil entre os

resultados dos estimadores de estado com restrições

Fuzzy e estimadores MQP e VAPR.

4.3 Modelagem da Rede Elétrica Externa

Em aplicações reais, a informação disponível

em um centro de controle e operação corresponde a

apenas uma área do sistema de potência, geralmente

referido como o sistema interno. No entanto, para

aplicações econômicas e funções de segurança, uma

parcela maior do sistema deve ser representada (sis-

tema externo). A fim de se obter uma estimativa

completa do estado operacional do sistema, interno e

externo, informação não medidas (pseudomedidas)

são adicionadas nos esquemas computacionais.

O objetivo das simulações é avaliar as restrições

Fuzzy na modelagem das pseudomedidas utilizadas

Page 6: 97245

158

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

na representação da rede externa, considerando erros

grosseiros nas mesmas e compará-las com o método

tradicional de representação. Na Tabela 1, é mostra-

do o valor central da função de pertinência das

pseudomedidas Fuzzy, com adição de erro grosseiro

aleatório, e o valor não contaminado do fluxo de

potência. O valor da variância das pseudomedidas de

injeção e fluxo de potência foi igual a 10.

Tabela 1: Pseudomedidas Fuzzy com adição de erros grosseiros ao

valor central da sua função de pertinência - IEEE30 barras.

A Figura 3 mostra o sistema IEEE 30 barras di-

vidido em rede interna e externa e o plano de medi-

ções e pseudomedidas consideradas. A redundância

do conjunto de medidas e pseudomedidas Fuzzy da

Figura 3 é de 1.475. A baixa redundância do sistema

procura avaliar os estimadores de estado em uma

situação crítica de observabilidade.

Figura 3. Divisão do sistema IEEE 30 barras em rede interna e rede

externa, com o plano de medição e pseudomedidas Fuzzy.

Os resultados dos estimadores PLF, PQF, MQP,

VAPR e do fluxo de potência são mostrados na Fi-

gura 4. As piores estimativas para as barras da rede

interna, e principalmente, da rede externa foram

verificadas no estimador de estado MQP. Os estima-

dores com restrições Fuzzy produziram boas estima-

tivas, mais próximas do fluxo de potência, tratando

satisfatoriamente a imprecisão nos dados externos.

Figura 4. Estimativas dos ângulos e magnitudes das tensões em todos

os barramentos do sistema IEEE 30 barras.

O valor do erro médio quadrático (EMQ) e o va-

lor do erro absoluto máximo (Max(EA)) para as

grandezas de interesse são dados na Tabela 2. Con-

firmando a Figura 4, os maiores erros foram verifi-

cados no estimador MQP, sendo estes bem superio-

res aos erros dos demais estimadores, que apresenta-

ram estimativas satisfatórias e muito próximas.

Tabela 2: Erros de estimação para o sistema IEEE 30 barras.

O último problema de programação dos estima-

dores de estado considerando restrições Fuzzy con-

vergiu em quatro iterações, com valor convergido da

função objetivo igual a 1 (um), indicando que todas

as restrições foram atendidas satisfatoriamente. Os

valores convergidos da função objetivo dos estima-

dores MQP e VAPR foram, respectivamente, 98134

e 125.96, convergindo ambos em três iterações.

4.4 Rede de Distribuição de 33 Barramentos

Na Figura 5, é mostrada a rede de distribuição

de 33 barras e 32 circuitos e o conjunto de medidas e

pseudomedidas Fuzzy consideradas. A barra 33 é a

Page 7: 97245

159

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

referência angular da rede de distribuição. Foram

representados 32 pares de pseudomedidas Fuzzy de

injeção de potência ativa e reativa, refletindo as con-

dições de carregamento nos barramentos ao longo do

alimentador. A redundância do conjunto de medidas

e pseudomedidas Fuzzy é igual a 1.0615. Para as

pseudomedidas avaliadas nos estimadores MQP e

VAPR adotou-se uma variância igual a 10.

Figura 5. Plano de medição e pseudomedidas Fuzzy para a rede de

distribuição de eletricidade de 33 barramentos.

A Tabela 3 mostra o valor correspondente para

os intervalos p e d considerados na modelagem da

função de pertinência das pseudomedidas Fuzzy,

como definido na Figura 2. Os valores de p e d são

expressos em porcentagem do valor central.

Tabela 3: Valores dos intervalos da função de pertinência das pseu-

domedidas Fuzzy.

Pseudomedida Fuzzy de Injeção de

Potência

Porcentagem do

valor central C

±p ±d

P32,P31,P30,P29,P27,P25,P17,P2, P11, Q32,

Q31, Q30, Q29, Q27, Q25, Q17, Q2, Q11 25% 10%

P20, P16, P14, P6, P8, P3, P13, Q20, Q16,

Q14, Q6, Q8, Q3, Q13 20% 10%

P22, P10, P12, Q22, Q10, Q12 22% 10%

P14, P6, P8, P3, P13, P19 , Q14, Q6, Q8,

Q3, Q13, Q19 15% 10%

P9, P4, P21, P26, Q9, Q4, Q21, Q26 15% 5%

P28, P5, P7, P23, Q5, Q7, Q28, Q23, 10% 10%

P15, P24, P18, Q15, Q24, Q18 10% 7%

Nesta simulação, considerou-se a adição de er-

ros grosseiros nas medidas de fluxo de potência ativa

e reativa entre as barras 33 e 1, caracterizando falha

no sistema de aquisição de medidas. Tal situação

tem o propósito de avaliar a robustez dos estimado-

res frente à presença de erros grosseiros em medidas

analógicas. Na Tabela 4 são dados os valores exatos

das medidas e os valores corrompidos com o erro.

Tabela 4: Medidas com adição de erros grosseiros.

Medida com

Erro Grosseiro

Valor Exato (Flu-

xo de Potência)

Valor com

Erro Grosseiro

P33-1 (MW) 4.01 -4.01

Q33-1 (MVAr) 2.43 0.00

Os resultados alcançados pelos estimadores com

restrições Fuzzy, MQP, VAPR e o fluxo de potência

são comparados na Figura 6. As piores estimativas

para as variáveis de estado foram verificadas nova-

mente no estimador de estados MQP. Com exceção

do estimador MQP, os demais estimadores de estado

mostraram-se robustos, filtrando a influência dos

erros grosseiros nas medidas analógicas e em pseu-

domedidas durante o cálculo do vetor de estados,

minimizando assim a sua influência sobre o resulta-

do final da estimação. Tal fato comprova a não ne-

cessidade da utilização de ferramentas de pós-

processamento em suas modelagens. Mesmo consi-

derando uma elevada variância para as pseudomedi-

das no estimador MQP, igual a 10, este estimador

não apresentou uma boa estimativa, ilustrando a

necessidade da aplicação de uma ferramenta de pós-

processamento para detecção, identificação e elimi-

nação dos erros grosseiros nas medidas.

Figura 6. Estimativas dos ângulos e magnitudes das tensões nos

barramentos.

Os valores dos EMQ e Max(EA) são mostrados

na Tabela 5. Todos os estimadores de estado com

restrições Fuzzy e o estimador VAPR apresentaram

erros muito baixos e próximos, conforme a Figura 6.

Os estimadores PLF e PQF apresentaram estimativas

muito próximas, uma vez que a distinção entre estes

dois modelos de estimadores considerando restrições

Fuzzy reside apenas na restrição de desigualdade

relativa à função objetivo do problema de programa-

ção convencional.

Page 8: 97245

160

Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

ISBN: 978-85-8001-069-5

Tabela 5: Erros de estimação para a rede de distribuição de 33 bar-

ramentos.

5 Conclusão

A principal contribuição deste trabalho é a re-

presentação de informações qualitativas imprecisas

em um problema de estimação de estado em sistemas

elétricos de potência, utilizando os conceitos de con-

juntos Fuzzy. Uma característica fundamental da

metodologia proposta, decorrente do emprego da

técnica de programação Fuzzy, é a representação das

pseudomedidas Fuzzy por meio de restrições de de-

sigualdade, não ponderadas, que contorna o proble-

ma da definição do valor da ponderação das pseu-

domedidas, tradicionalmente verificado em estima-

dores de estado MQP e VAPR. Deve-se destacar

também que, quanto mais precisa for a informação

qualitativa disponível, mais concisa com a realidade

será a modelagem da pseudomedida Fuzzy, resul-

tando em uma estimação de estado mais confiável. É

importante ressaltar que o ponto fundamental deste

trabalho está na obtenção de uma solução aceitável

para o estado estimado em redes elétricas em que “a

priori” é impossível de se estimar o estado a partir

do conjunto de informações quantitativas disponí-

veis, haja visto que o estado operacional destas redes

é desconhecido e sem referência de comparação.

Referências Bibliográficas

Abur, A. and Expósito, A. G. (2004). Power systems

state estimation: Theory and Implementation.

Marcel Dekker Inc., New York.

Falcão, D. M. and Assis, S. M. (1988). Linear

Programming State Estimation: Error Analysis

and Gross Error Identification. IEEE

Transactions on Power System, Vol. 3, pp. 809-

815.

Gill, P. E., Murray, W. and Wright, M. H. (1981).

Practical Optimization, NY: Academic Press,

New York.

Monticelli, A. (2000). Electric Power System State

Estimation. In: Proceedings of IEEE, Vol. 88,

No. 2, pp. 262-282.

Miranda, V., Pereira, J. and Saraiva, J. T. (1995).

Experiences in State Estimation Models for

Distribution Systems Including Fuzzy Measures.

Proceedings of IEEE Stockolm PowerTech,

Stockolm, Sweden.

Miranda, V., Pereira, J. and Saraiva, J. T. (2000).

Load Allocation in DMS with a Fuzzy State

Estimator. IEEE Transactions on Power

Systems, Vol. 15, No. 2, pp. 529-534.

Pereira, J. M. C. (1995). Estimação de Estado em

Redes de Distribuição de Energia Elétrica com

Medidas Imprecisas. Dissertação de Mestrado,

FEUP – Faculdade de Engenharia da

Universidade do Porto, Porto, Portugal, 121 p.

Pereira, J., Saraiva, J. T. and Miranda, V. (1999).

Estimação de Estado em Sistemas de

Distribuição de Energia Incluindo Aparelhos de

Corte, Divisão em Ilhas e Dados Qualitativos.

In: Anais do 4th ELAB – Encontro Luso-Afro-

Brasileiro de Planejamento e Exploração de

Redes de Energia, Rio de Janeiro, pp. 523–533.

Pereira, J., Saraiva, J. T. and Miranda, V. (2000).

Some Practical Issues in the Migration of State

Estimation Modules from EMS to DMS

Systems. In: 6th International Conference on

Probabilistic Methods Applied to Power

Systems, Funchal, Portugal.

Pereira, J. M. C. (2001). A State Estimation

Approach for Distribution Networks

Considering Uncertainties and Switching.

Doctoral Thesis, FEUP – Faculdade de

Engenharia da Universidade do Porto, Porto,

Portugal, 216 p.

Saric, A. T. and Ciric, R. M. (2003). Integrated

Fuzzy State Estimation and Load Flow Analysis

in Distribution Networks. IEEE Transactions on

Power Delivery, Vol. 18, No. 2, pp. 571-578.

Schweppe, F.C. and Rom, D. B. (1970). Power

System Static State Estimation – Part II:

Approximate Model. IEEE Transactions on

PAS, Vol. PAS-89, pp.125-130.

Zimmerman, H. J. (1984). Fuzzy Set Theory – and

Its Application. 3rd Edition, Boston: Kluwer-

Nijhoff Publishing, 281 p.